图片来源：Google DeepMind
Z Highlights
AI不再仅仅是辅助工具，而是成为推动科学发现的强大引擎。它能够处理海量数据，发现人类难以察觉的模式，从而加速科学研究进程，并帮助解决复杂科学问题，如蛋白质折叠、材料设计等。 经典计算的能力被低估了，通过巧妙的建模和算法，经典计算机可以有效解决许多复杂问题，甚至可以模拟量子系统。量子计算则可以为AI提供更多数据和计算能力，两者结合将极大促进科学发展。 科学最难的事情是提出正确的问题，这仍然必须由人类科学家提出，并且在可预见的未来，也将是这样。这就是为什么我对使用这些AI系统作为可能的最终工具来帮助我们加速科学发现感到非常兴奋的原因。 未来十年的很多进步将是跨学科工作，将两个或更多领域的专家聚集在一起，然后在这些领域之间取得重大进展。
Hannah Frye：您好，欢迎来到Google DeepMind播客，我是主持人Hannah Frye教授。您会发现我们今天不在演播室，而是在AI科学论坛的后台，这是一个由皇家学会和Google DeepMind共同主办的特别活动。作为今天活动的一部分，我有机会在舞台上与Demis Hassabis进行对话采访。更为特别的是，不止一位诺贝尔奖得主，还有三位诺贝尔奖得主将与我一起在舞台上进行扩展小组讨论。
接下来，对我来说，采访今天的联合主持人无比荣幸，并且是一次令人难以置信的经历。Demis Hassabis是一位计算机科学家，人工智能研究员，在2010年共同创立DeepMind的企业家，他现在仍然是CEO。他除了诺贝尔奖、爵士头衔、皇家学会的院士、AlphaFold和AlphaGo以及150,000次被引之外，他还是非常成功的神经科学家、国际象棋冠军和电子游戏设计师。Demis很久以前就解开了AI的秘密，并且一直藏在他的地下室里。然后就像慢慢地、一点一点地向我们展示这些巨大的突破。但有一件事是肯定的，我们的谈话总是非常引人入胜。所以请欢迎Demis上台。谢谢。我听说你不知道诺贝尔奖会颁发给你。这是真的吗？
DeepMind的根节点问题
Demis Hassabis：真的，这是一个相当有趣的故事，因为我们听到一些传言说我们的AlphaFold已经被提名，但你永远不会期待这样的事情。早上我只是在忙于我的正常工作，我的妻子也在家工作。大约在10点半，我们认为今年肯定没戏了，因为我们还没有收到消息。然后突然，我妻子的电脑Skype响个不停。我想是的。我当时想，那是什么烦人的声音？结果是一个来自瑞典的电话，他们拼命地试图联系我，他们也没有我妻子的号码。所以每个人都处于一种恐慌状态，但就在它被宣布的前10分钟，他们联系到了我们，那增加了戏剧性。
Hannah Frye：我也看到了你那天晚上与国际象棋冠军Magnus Carlsen玩扑克来庆祝，谁赢了？我想知道你的虚张声势策略是什么？
Demis Hassabis：我想那是在星期三。结果发现在伦敦有一个大型的国际象棋比赛。我年轻的时候认识的一个老朋友，就在第二天晚上主持一个扑克和国际象棋比赛。所以这是完美的庆祝方式，但如果你想要赢一些钱，我不建议在家里玩扑克游戏，但那是我的乐趣。实际上，这是一个惊人的夜晚。我知道这听起来很书呆子，但这实际上是我庆祝的最好方式。我不能告诉你虚张声势的策略，否则我再也无法击败Magnus Carlsen了。
Hannah Frye：但这是真的。除了诺贝尔奖，在那之前，你也被称为论文被引用次数最多的学者，因为你的AlphaFold论文现在已经被引用了28,000次，这令人难以置信。从它问世到现在时间并不长，对你来说，有哪些特别突出的应用真正引起你的共鸣？
Demis Hassabis：这确实令人难以置信，我们希望通过发布AlphaFold并开源，与社区和我们在MBio的合作伙伴，比如Janet，和你、和观众......合作，让每个人都能接触到它。有很多应用我们不能提及，但我可以提两三个最喜欢的，比如确定核孔复合体的结构，这是人体中最重要和最大的蛋白质之一。它非常重要，因为它控制着进出细胞核的分子和营养物质。实际上，有几个团队使用AlphaFold预测数据和他们自己的实验数据，最终将那个非常复杂的蛋白质结构拼凑在一起。那太神奇了。另一项我非常喜欢的研究是Fang Zhang在Broad的项目，开发一种分子注射器，将药物有效载荷传递到心脏输血难以到达的身体部位。他还使用AlphaFold帮助修改注射器分子注射器的设计。最后，我最喜欢的项目之一来自朴茨茅斯大学，John McGate McGinnis团队，使用AlphaFold设计蛋白质塑料加热酶。但这只是研究人员用它做的所有令人难以置信的工作的一小部分。
Hannah Frye：但这些项目，是你最喜欢的，对吗？不仅仅是技术想法本身，还有它可能产生的潜在影响。
Demis Hassabis：没错。这就是为什么我们总是对蛋白质折叠问题感兴趣。我们有时称之为DeepMind的根节点问题。如果你考虑整个知识树，有些问题是根节点问题，如果你解开它们，发现解决它们的方法，它将打开一个全新的分支或途径。我一直觉得以这种方式确定蛋白质结构会做到这一点，从而能够了解疾病，设计药物。
用AI合成世界为我所用
Hannah Frye：看起来这就是正在发生的事情。接下来是什么？还有另一个AlphaFold？Gnome是我个人喜欢的一个项目，也许可以谈一点。
Demis Hassabis：实际上James在早上提到了，Push也谈到了，我们几乎触及了科学的每一个领域。Gnome是我最喜欢的项目之一，一种材料设计。材料设计具有相同的特性，有些特性是我们寻找的，包含适合AI的问题具有巨大的组合空间，你需要尝试构建一个理解自然现象的物理和化学模型。如果有这样的模型，你可能会用它来非常高效地搜索组合空间，然后找到一个最优解。在材料领域，那也将是同样开创性的。你可以想象设计新的电池，或者也许有一天发现室温超导体，那一直是我的梦想。我们显然处于发现室温超导体的早期阶段，我会将其描述为AlphaFold1水平，也许。我们得达到AlphaFold2预测水平，但我们可以看到一条清晰路径。Gnome是这项工作的开始。我们在去年的《科学》杂志上发表了它，我们发现了200,000个以前没有人见过的新晶体。所以这显示了AI材料设计的潜力。我兴奋的另一件事是AI应用于数学，也许解决伟大的猜想之一，也许是千年虫问题，并使用AI作为一个重要的部分。
Hannah Frye：我只知道你某种程度上是在走捷径，或者说你正在让这个合成世界真正为你所用。所以你不必事事都通过实验来完成。我知道你和Paul Nurse已经谈论了很长时间的虚拟细胞，可以跟我们讲讲这个吗？
Demis Hassabis：Paul一直是我的导师之一。他非常慷慨地指导我超过25年了。这是非常鼓舞人心的，我经常与Paul讨论这些话题。不寻常的是，Paul是生物学家，他考虑了生物学作为信息系统的很多问题。他写了很多有趣的研究论文。所以我们一直在这个背景中讨论问题。每五年左右，我就会思考我们是否有足够的技术、足够的知识真正尝试这个像珠穆朗玛峰一样的问题——尝试构建一个虚拟细胞，本质上是一个细胞的模拟，基本上可以预测将要发生的事情。每次我都认为没有足够的技术。但最后，现在可能有足够的知识和技术了，可以认真尝试做一下。也许在未来5到10年，我们可以最终建立一个虚拟细胞的图片，也许从一个酵母细胞开始，因为Paul一直在研究酵母细胞作为模型生物。你可以把AlphaFold看作基本上解决了蛋白质是什么样子的静态图片。但我们知道生物学是一个动态系统。那就是生物学中有趣的地方。AlphaFold3是我们的第一步，尝试模拟那些相互作用。AlphaFold3可以模拟蛋白质和蛋白质之间的成对相互作用，蛋白质和RNA，蛋白质和DNA，也许下一步就是模拟整个途径。最终，也许我们可以模拟一个完整的细胞。
Hannah Frye：令人惊讶。量子计算的出现会对这一点有所改变，这使得在分子水平上进行模拟成为可能。
Demis Hassabis：量子计算非常令人兴奋。它本身正在加速发展。James今天早上也提到了AI和量子计算之间正在发生的有趣的交叉融合。实际上，我们与Google的量子计算团队在错误校正码等事情上合作很多，这是世界上最好的量子计算团队之一。量子计算机的一个用途是模拟像分子和原子这样的化合物的量子系统，然后可能产生大量的合成数据。但有趣的是，我也有一个小小的争议性观点，我与世界上一些顶尖的量子计算机科学家谈过这个问题，经典的图灵机、经典计算机比我们以前认为的更有能力。我们所做的工作已经证明了这一点，无论是AlphaFold还是之前的AlphaGo，我们的程序击败了围棋世界冠军，这只是一个关于围棋复杂性的指示，比国际象棋复杂得多，可能的棋盘位置比我们的原子在宇宙中的数量还要多10的170次方。这意味着你不可能通过蛮力找到特定位置的最佳移动。蛋白质折叠也有无数的可能性，如果你直接去做，尝试每一种组合，这是幼稚的方式。但如果你做大量的预计算来构建系统模型，然后问它你感兴趣的问题，我在这个围棋位置应该怎么移动？这个新蛋白质如何折叠？结果表明，你可以在几秒钟内找到一个接近最优的移动，或在几分钟内折叠一个蛋白质，你可能期望在蛋白质空间中，至少可能需要一个量子计算机来解决这个问题。结果表明你不需要。
所以我们应该非常认真地对待这个观点，如果你以正确的方式使用经典系统，可能能够模拟更复杂的系统，甚至直观地模拟量子系统。因为通常需要量子计算机来模拟任何经典系统，但经典系统可以模拟量子系统。我已经和一些人测试了这个观点，比如最近因在量子计算研究而获得诺贝尔物理学奖的Zeilinger教授。他认为这非常有趣。我的科研偶像之一David Deutsch，基本上可以说是他发明了量子计算，说这很疯狂，但这是正确的。从他那里听到这句话，我把它当作一种赞美，也许我还会继续追求它。
Hannah Frye：确保我理解这一点。所以我想经典计算机被认为是确定性的机器，而你在这里谈论的可能是概率性问题。
Demis Hassabis：但你可以利用确定性的机器。量子系统的理念是，如果你尝试模拟任何自然现象，通过它可能采取的每一种可能性来塑造它，那么你会很快在传统系统中耗尽计算能力。你需要太多的算力来模拟它，但这不是你尝试用传统系统来做到这一点的方式。你首先会构建一个学习模型，我对任何自然现象的猜想是，它们倾向于具有结构。如果它具有结构，你可能会用经典机器学习系统来学习它，学习一个有效的模型，然后用它以有效的方式搜索可能性。所以这可能会避免一些天真做法的低效。所以这是一个相当大的说法。我以一种委婉的方式表达，但这是我的个人爱好去研究这个领域。这可能是相当有希望的。
Hannah Frye：你的另一个爱好现在已经发展成为自己的业务——Isomorphic，因为我这是使用AlphaFold应用于药物发现的研究，你现在也有一些相当有声望的合作伙伴。你能告诉我们Isomorphic目前专注于什么吗？
Demis Hassabis：Isomorphic是我们的衍生公司，试图从第一原则出发，使用AI彻底改变药物发现过程，可以说是从下向上重新构想药物发现过程。当我们在做AlphaFold时，我心中有这个想法。AI最明显的用途之一是治愈疾病。还有什么更好的用途吗？这一直是我想用AI做的事情之一。一旦它足够成熟，AlphaFold是基础研究和基础生物学研究的伟大工具，超过200万研究人员在世界各地使用AlphaFold和我们发布的结构，但它也是帮助药物发现的实际用途。了解蛋白质的结构只是整个药物发现过程的一小部分。我们在做了AlphaFold2之后衍生出Isomorphic，以在该工作基础上构建新的机器学习系统并扩展到相邻领域，比如设计化学化合物和药物化合物、测试毒性和预测药物在体内工作最小化副作用所需的重要特性等。我们设想在这些相邻领域构建更多类似于AlphaFold的模型。最终，我们希望将所有这些系统整合在一起。我们的目标是将设计一种药物所需的时间从数年——甚至可能十年——缩短到几个月，甚至几周。这将彻底改变药物发现过程。
Hannah Frye：这确实看起来像是一种努力，那种你不必在做一些有益于人类的事情和做一些可以盈利和自我维持的事情之间做出选择的努力。你在开始时寻找这些项目的比例是多少？或者你做一些蓝天研究然后希望最终会以想要的方式发展出来？
Demis Hassabis：我们两者都做。作为一个团队，我们是研究主导型的，一直都是这样。我们尝试做研究的下一步，对于研究AGI（人工通用智能）或类似AlphaFold，真的想要解决科学挑战。但在我心中，我也相当实际。所以我也想解决对世界有直接积极影响的问题。如果你能找到两者兼有的项目，那么这就是圣杯，真的值得投入大量时间和精力。
AlphaFold就是这样。我对问题本身很着迷，正如Janet之前提到的，你越是深入研究蛋白质，就会越认识到它们就是精致的生物纳米机器。它们有着令人难以置信的美丽。我完全同意Janet的看法。当你开始研究它们时，你会爱上它们，这真是难以置信。自然界的鬼斧神工，但我一直想为社会利益做些事，Isomorphic可以做到这一点。我们可以用AI的帮助治愈许多疾病，Isomorphic也应该成为一个非常有价值的公司。如果情况确实如此，那将给我们更多的资金投资于有趣的基础研究。所以这都是一个良性循环。
Hannah Frye：随着这些在基础研究中进行的不同项目，你是否认为我们正处于一个垂直起飞的时刻？
Demis Hassabis：我真的觉得我们正处于一个新发现的黄金时代的门口，就像今天整个研讨会的主题一样。我们需要更多的跨学科科研。正确使用AI，与不同领域专家一起提出正确的问题。它的应用几乎是无限的。而AI本身作为一种科学学科也在不断改进。所以既有直接将今天的技术应用于其他领域，也有继续改进AI本身。这也是一个指数级的改进。在未来几年将会有很多进展。
AI时代，科学意味着什么？
Hannah Frye：坚持跨学科绝对是今天的一个重要主题，但另一个主题是关于未来科学的样子。在AI时代，科学意味着什么？我知道你是一个科学方法的坚定倡导者。你能和我谈谈这个吗？随着我们向前发展时，它是什么样子的？
Demis Hassabis：科学方法可以说是人类有史以来最伟大的想法，它显然是所有科学的基础，但也因为科学技术、现代文明发展，我们比以往任何时候都更需要在当今世界围绕这种方法进行。特别是像AI这样强大且可能具有变革性的东西，我们使用科学方法比可能依赖正常的技术——AB测试更多。这通常是新技术的情况。如果可能的话，我感到我们应该将这更多地视为一个科学事业。无论是采用速度还是变化速度，它显然具有突破性技术通常具有的所有影响，但我们处于一个有趣的状况。我们需要使用科学方法来更好地理解这些系统，建立基准和严格评估，以了解能力的局限性、可解释性。
实际上，我们应该使用神经科学技术，这些技术显然是为了理解真实大脑而建立的，用来模拟虚拟大脑，有时称之为虚拟大脑分析。这些神经网络的fMRI等效物是什么？我们可以从自然科学中学到很多东西，并将其转化为本质上属于工程科学的东西。我称它为工程科学是因为它与自然科学不同，首先你必须构建感兴趣的项目。一旦你拥有它，你可以使用科学方法将其分解并理解其组成部分。这当然是一个艰巨的挑战。而这些系统在我看来，和我们通常想要研究的自然现象一样复杂。所以没有人认为理解这些人工系统会比理解自然系统更容易。它们在许多方面同样复杂。所以我们面前有很多工作，这是行业、学术界和民间社会需要理解的事情，包括如何有效部署这些技术。
Hannah Frye：科学家的直觉在这种情况下如何发挥作用？
Demis Hassabis：科学家的直觉和创造力至关重要。现在AI系统只是工具。它们在发现数据中的相关性、模式和结构方面很棒。但目前它们无法提出自己的假设或自己的问题。而且正如在场的所有科学家所知道的，科学最难的事情是提出正确的问题，这仍然必须由人类科学家提出，并且在可预见的未来，也将是这样。这就是为什么我对使用这些AI系统作为可能的最终工具来帮助我们加速科学发现感到非常兴奋的原因。
Hannah Frye：关于人类的这个话题，有一些最近的研究表明，科学发现的进展近年来有所放缓。关于这个问题你怎么看？我们可以做些什么来改变这一点？
Demis Hassabis：我也看到了这样的研究，有一些有趣的猜测。科学已经成为一个更大的事业。你需要拥有更大的团队，更昂贵的设备等。所以这导致了一些放缓。而且也许我们现在正在解决的问题变得越来越复杂，是一个棘手的问题。我的建议是，再次强调，未来十年的很多进步将是跨学科工作，将两个或更多领域的专家聚集在一起，然后在这些领域之间取得重大进展。实际上，这就是DeepMind的故事，它最初是神经科学思想与机器学习思想的结合。这也是AlphaFold的故事，它是我们团队中的生物学家和化学家与机器学习专家和工程师的结合。所以我总是发现这是最快取得进展的地方。实际上，我们今天宣布，Google将出资200万美元用于资助学术界的这种跨学科研究。我希望其他资助者也能加入这一项目。我们需要培养新一代的博士和博士后，让他们在这些不同领域都有结合。
Hannah Frye：这是一个非凡的消息，200万美元对跨学科团队研究的投资。Demis，非常感谢你。我想你现在可以下去，我们来整理舞台。
诺奖获得者的aha时刻
Hannah Frye：“laureate”这个词来自古希腊给予胜利者的月桂冠，是荣誉的象征。每年有五个独立的奖项颁发给那些被认为为人类带来了最大利益的人，感谢诺贝尔。有一个传言说，没有诺贝尔数学奖，因为诺贝尔的的爱人和一位数学家私奔了。
现在，在舞台上，我们还有三位享有盛誉的诺奖获得者。John Jumper，我们还没有机会让他上台。他是Google DeepMind的董事，他领导的团队构建了AlphaFold，并继续研究将机器学习应用于蛋白质生物学的新方法。John因其研究获得了众多奖项，包括拉斯克奖、生命科学突破奖、加拿大国际奖和今年的诺贝尔化学奖。
我们还有幸邀请到了Sir Paul Nurse，他是Francis Crick研究所的首席执行官，也是2001年诺贝尔生理学或医学奖的获得者，他的研究也涉及蛋白质，特别是控制细胞周期中细胞分裂的蛋白质分子。最后，Jennifer Doudna，她早些时候与James分享了她的CRISPR课程。她在2020年获得了诺贝尔化学奖。请和我一起欢迎四位诺贝尔奖得主上台。谢谢你们。好的，我知道你们经常被问到你听到获奖消息时在哪里，你在做什么。我想问一个稍微不同的问题。我想问你是否有一个时刻，你意识到你所做的工作确实是开创性的，是否有那么一个时刻你意识到了它的重要性？
John Jumper：对我来说有两个时刻。一个是发布一些研究成果后，观察推特上的反应。你会焦虑地刷新推特，搜素“AlphaFold”这个词，看看有什么推文出现。我记得当数据库上线时，看到那么多的惊讶的研究生说，“他们是如何得到我研究的结构的？它还没有发表，对吧？世界上怎么可能……”我绝对惊呆了，像很多人说我们预测了他们和隔壁实验室研究的蛋白质结构，影响力太大了。
第二个时刻，有一个关于核孔复合体结构的科学特刊，核孔复合体结构是人体细胞中最大的蛋白质集合。他们有四篇论文。其中三篇大量引用了AlphaFold，超过一百次提到AlphaFold这个词。我们不知道发生了什么，它就在有一天突然出现。那一刻我真正意识到，人们正在使用我们的工具进行值得发表在《科学》杂志上的研究，人们开始在我们已经建立的基础上做出这些成果时，你就真的成为了一个制作工具的人。
Hannah Frye：Jennifer，你有这样的时刻吗？
Jennifer Doudna：我想对我们来说，也许也有两个时刻。一个是在2011年秋天。当我们开始与Emmanuelle Charpentier合作研究CRISPR时，这是一个细菌免疫系统。我们想知道它是如何工作的？发现它是一个RNA引导的系统，将靶向DNA进行切割。此外，我们实际上可以编程这个系统，因为我们理解了它的化学反应原理。我个人只是惊叹于细菌竟然想出了如何做到这一点，而我们现在已经了解了如何利用该系统以新的方式操纵DNA。所以这就是第一个时刻。
第二个时刻有点类似于你所说的，John。我想那是在大约一年后。我们在2012年夏天发表了那项研究。到了秋天，我开始收到来自世界各地的人的电子邮件，他们读过论文后说这太令人兴奋了。“我现在正在果蝇中测试基因。”“我开始在斑马鱼中测试基因。”“我对我在人类细胞中所做的感到兴奋。”我收到许多认识的人的消息，他们非常非常兴奋。你真的可以感受到该领域的势头。
Sir Paul Nurse：我是这里唯一的老人。那是1985年，我研究酵母，正如你已经知道的，我的实验室一直在研究控制细胞周期的基因。这是自我繁殖的过程，对所有生物的生长和发展都是基本的。我们已经鉴定了那个基因。但问题是，谁在乎酵母？我完全诚实地说，我在乎酵母，但世界上大多数人不在乎你。所以我发现我们的工作并没有引起太多注意。所以我想，人类有相同的基因吗？现在，这是在人类基因组测序之前。我们做了一个疯狂的实验。我只想告诉你这个实验有多疯狂。我们有一个酵母突变体不能生长，因为它在这个基因上有缺陷。我们拿了第一个人类cDNA文库。这是有史以来制作的最大基因库。我们几个月后得到了它，把基因撒在有缺陷的酵母上。如果人类有一个基因可以做酵母中缺陷基因所做的相同工作，如果酵母细胞接受了它，如果它可以被表达，如果它起作用，那么这些细胞就会生长和分裂，我们可以拿回基因并证明人类拥有它。那个实验本不应该成功。人类和酵母可能在1500万年前就分道扬镳了，我们要求它在1500万年后仍然有效。但它确实有效，当我们得到那个结果时，顺便说一下，我们测那个基因的序列花了几个月的时间。我过去常常想，我只要回家相信这项工作，明天去上班就会发现它没有成功。但它确实成功了。那时它可能会得到认可，因为它不是酵母的；它是人类的。
观众问答环节
Hannah Frye：一个精彩的故事集。现在我知道你们所有人都迫不及待地想向我们的小组提问。我可能会从观众那里选一些问题。
观众：这是一个如此令人印象深刻的日子。我有一个非常俏皮的问题，如果你可以把自己带回到过去，遇见18岁或20岁的自己，你可以说些什么来安慰那个人，让他知道你正在做出好的选择？你不能说你会赢得诺贝尔奖。你会对18岁或20岁的你说些什么？
观众：我是Roger Highfield，来自科学博物馆，只想评论一下。我们已经看到了Sycamore的图片，看起来非常酷。我们能得到一些酷炫的AI硬件收集到科学博物馆吗？一个更严肃的问题是AI擅长给你答案，但它不擅长给你洞察力。你有数十亿个参数，它们没有物理意义，这对公众信任AI产生了多大障碍？我也和John谈过这个问题。我们究竟在多大程度上能够获得一个能够像我们获得物理定律一样，给我们提供生物学定律的AI，从而获得真正的洞察？
Hannah Frye：非常好的问题。我们从第一个开始，你会对18岁的自己说些什么？
Demis Hassabis：嗯，这有点复杂。我实际上在18岁时确实有一个计划。它起作用了，但如果我告诉自己更享受人生旅程，因为它会起作用，但当时我就想这怎么可能起作用？坚信所有这些梦想，可能就是我推荐给18岁的自己的建议。
John Jumper：实际上，我想到了两件事。有趣的是，不要担心，Carolyn会嫁给你。这是生活的梯度下降。现在做正确的事情已经取得了很好的效果，并且你将要对出现有趣的事情持开放态度。然后我们正处于AI和生物学的黄金时代。生活经历非常有趣。不要害怕成为局部最优，基本上是和Demis的建议相反。
Hannah Frye：我会更接近John，我会告诉我18岁的自己，跟随我的激情，永远不要放弃，不要听那些唱反调的人。这真的很重要。
Sir Paul Nurse：我来自非学术背景。我无法相信你可以跟随你的好奇心而得到报酬，我现在仍然不相信。40年后，50年后，甚至更久，55年后，我还是不敢相信。
Hannah Frye：作为皇家学会的主席，坚持相信我们可以。第二个问题来自Roger，关于AI系统的直觉，你对此有何看法？
Demis Hassabis：这是一个非常有趣的问题。我并不像其他人那样担心。我们正处于一个时刻，正如我前面所说的，AI是工程科学。这意味着你必须首先构建值得研究的成果。然后你可以用科学方法将其分解。因此，你在过去5到10年所看到的是构建值得投入研究的成果，直到你拥有像今天的Transformer模型和AlphaFold、AlphaGo等系统，以前的系统可能不值得真正投入研究，因为它们不够复杂。但现在人们正在认真研究当前的系统。除此之外，你还有这些系统它们正在改进自己。至少，我们将处于一个情况，首先，系统可能能够用语言、数学或代码解释自己。我们接近这一目标。你可以对一个系统说：“好的，你现在已经理解了这一点；现在请用数学方程式解释一下”。我不确定生物学是否可以像物理学定律那样解释。它更混乱。它更多地与相互作用有关。模拟更适合研究而不是像牛顿运动定律那样的东西。我不认为生物学可以简化为那样。它太复杂了。然后是我之前提到的另一件事，将神经科学技术应用于这些人工神经网络，我们应该能够至少获得与自然大脑相同的洞察力。所以如果你把这两件事结合起来，我们已经取得了相当大的进展。更不用说我们将要在上面投入的进一步的工程，努力分解这些系统。所以在未来5年，我们将摆脱我们目前所处的黑箱领域。
Hannah Frye：还有其他问题吗？
观众：谢谢你。我是Denny Newman Grifist，来自谢菲尔德大学，只是想跟进一下之前提到的关于人工智能中社会科学的话题。有人提出了人工智能有可能改变社会科学的想法。我想问一下你，根据你的理解，你如何看待社会科学的工作能够帮助改变AI的未来？以及如何将这种工程科学转变为我们一直在讨论的跨学科领域，即AI工具与对应用领域和环境的深入理解相结合？
观众：Michael Chang，来自美国国家研究所。这次会议太棒了。我有一个问题是，这里的主题是AI可以更好进行科学研究。我们所做的一件事是我们也可以教科学家更多关于AI的知识，让他们可以使用它。我的问题是反过来。你认为AI不擅长做什么事情？科学家应该接受哪方面的培训，以最大化他们的附加值，那些会是什么？
Hannah Frye：我们从Paul开始，实际上，因为你早些时候谈论社会科学。AI和社会科学。我们需要怎样考虑人类与机器之间的这种接口？
Sir Paul Nurse：换句话说，首先，我们需要更多地关注社会科学来帮助我们科学家。我们必须认识到，这是相当复杂的人类互动。我不确定它在开始时会对我们有多大帮助。但我们应该是包容的。我可以想象某些社会科学问题，我怀疑你是一位社会科学家，比如交通运输之类的问题。所以我觉得有一些机械性的东西在试图理解人类如何互动和工作。对不起，我想直接说，获得情感，理解情感。这将是困难的。
John Jumper：是的，转向注意力。注意力就是一切。AI是过度简化的。真正有趣的是AlphaFold，它就像从货架上抓起Transformer，然后将其应用于蛋白质结构预测吗？这花了几年，因为有很多工作和很多新想法，其中注意力只是一个组件，但我们可以称之为进化形成器（evoformer）。我们有新想法，运行一个令人难以置信的AI研究组织，它每天都去工作，不仅仅说“我们拥有我们所需要的一切。有注意力，对吧？”我们都在做这项工作。而且人们低估了目前正在进行的AI研究有多少是真正新颖和令人兴奋的，这些研究使系统变得更好。这一进步正在解锁新的数据来源，并使我们能够从现有数据来源中学习更多信息。AlphaFold是拥有与其他人相同的数据的故事，并且从中学到更多关于蛋白质结构的知识。所以我们将继续看到这些来自AI研究的红利。我们将继续看到令人兴奋的新事物，我们可能总是称某物为注意力，但它让我想起了这个老计算机科学家的笑话。我不知道未来的科学计算语言会是什么样子，但它将被称为Fortran。我们倾向于保留想法的标签，然后在内部更新。而且我们不应该低估目前正在进行的研究有多少真正美妙、令人兴奋和聪明的研究。
Demis Hassabis：也许我可以快速补充一下。我同意这一点，实际上，Transformer架构，那篇论文是惊人的。它将是未来的AGI系统的主要组成部分。但我的预测是，仅凭它本身是不够的。我们将需要一些其他的重大突破，这些突破还有待到来。
Hannah Frye：Jennifer，我可能会让你谈谈我们的第三个问题，关于AI能力的差距。我们需要真正关注人类的技能。
Jennifer Doudna：是的，谢谢你，所以我想说的是，关于这一点，今天有很多关于数据和这类数据的讨论，这些数据对于训练模型是必要的。生物学中的一个挑战是数据的质量。我们通常需要大量的高质量数据来训练模型，至少目前是这样。我想让AI为我们科学家做的是教育我们如何收集数据，也许是广泛但聪明地收集，以便你的数据足够广泛，实际上这为训练提供了正确的平台。这是我们现在没有的东西，至少作为一个实验者。我们设计实验时没有想到这一点，但我们可以做到。
Hannah Frye：我想那种事情可以回到我们正在讨论的“提出正确的问题”上。这是最好的问题之一。
观众：Wendy Hall，来自南安普顿大学。我长期与社会科学家合作，那里的一个大问题是数据收集以及隐私问题，这使得数据收集比你们做的科学研究要困难得多。我们能做些什么使它更好？我刚刚感冒，还想问AI可以解决普通感冒吗？
观众：嗨，Thomas Crompton。显然，有很多关于伟大精彩的科学讨论。但是这个房间外面的人呢？那些不理解科学的人呢？可能对它持怀疑态度的人呢？你有多担心社会可能会拒绝这些即将问世的伟大突破？你认为我们该怎么做来解决这个问题？
观众：我来自非洲数学科学研究所，非常感谢这次精彩的讨论。如果你允许，我有两个幼稚的问题。第一个是，当人们谈论AI时，常见的假设是目标是人类智能，但人类智能可能是次优的，因为可能是邪恶的，是历史上有条件的进化过程的结果。你认为AI在人类智能方面会是超优的吗？第二个问题关于包容性。到2050年，非洲将拥有世界上最大的青年人口。这些人将为世界服务。为了人类继续进步，他们必须这样做。这个社区在确保非洲人被包容方面做了多少？我应该提到Google一直很棒，Google DeepMind一直是非洲年轻人能力建设的支持者。整个社区还在做什么？
观众：Sise Kundu，来自《数字科学》。我曾是一个康复学者，一个训练有素的纳米化学家，化学中，显微镜等技术的进步一直为许多其他研究领域打开了大门。AI也是一样，但我们从今天的许多演讲者和讨论中看到，很多发展是来自工业界而不是学术界。所以，Paul，我知道你谈到了研究文化，也许我们的其他一些演讲者谈到了，也许我们目前奖励成功研究的方式不利于以相同的方式为创新腾出空间。当没有人想成为第一个这样做的人时，我们如何改变全球文化？因为他们可能会因此而损失一些东西。
Hannah Frye：非常好的问题，我们有4分钟来回答它们。Paul，从你开始。为什么还没有普通感冒的治愈方法？
Sir Paul Nurse：这很难，不是吗？保持公众参与。这真的非常关键，至关重要。我们真的需要集中精力。这不是第一次。几乎每一次出现新技术和变化时，都会引起担忧。我之前提到过，我们必须与合适的人交流。我们必须与公众交流。而且往往这些讨论被利益集团和自称代表公众说话的人劫持，当他们交流时，往往出于他们自己的特定利益或他们自己的特定激情。所以我们必须找出如何与公众以明智的方式讨论。我提到了协商民主，虽然成本高但这真的很重要。因为坦率地说，如果你不把公众带进来，我们就无法看到这一切的好处，更好地理解对我们周围的世界的好处并实际将这些发现用于公共利益。我们必须参与，我们必须说服公众这些事情是正确的。
Hannah Frye：我想补充一下Susie刚才的问题，这部分也包含在你问题中。在今天的讨论中，我们深入探讨了科学家成功的衡量标准和激励措施。作为诺贝尔奖得主的你们，如何看待成功的定义？我们又应如何影响全球科学界的下一代，以确保我们获得正确的成果？John，你想先说吗？
John Jumper：在我的科学生涯中，最让我受益的是团队合作的力量和乐趣。在Google DeepMind工作时，我体验到了这一点。在我读博士之前，我也有过这样的经历，博士生的生活有点孤独，你通常只专注于一个特定的项目。但真正重要的是团队合作的力量。这不仅提供了动力，科学本质上是大量失败和偶尔的巨大成功。正是因为那些巨大的成功让我们能在这里讨论。但也许Demis已经将其简化为可重复的科学。但这真的很重要，鼓励人们在团队中合作。这有助于提供带来更好的科学和更有趣的科学的动力。如果你做得不开心，你就不会去做。所有伟大的科学家似乎都在享受他们的工作。
Jennifer Doudna：我完全同意。当我回顾我到目前为止的职业生涯时，我真正感到自豪和高兴的是我培训的学生以及他们现在所做的工作。这确实令人满足。实际上，我可以谈谈另一个问题。所以你问了一个关于非洲和涉及非洲科学家以及想要从事科学的年轻人的问题。我非常自豪的是，创新动力学研究所目前在肯尼亚正在进行一个持续的项目，我想我们已经进行了3年。我们已经向肯尼亚的不同地区派遣了团队，他们一直在那里与科学家合作，真正帮助他们理解CRISPR。看到一些视频真的很鼓舞人心，这些当地的科学家回到他们的社区，与学生合作，让他们变得兴奋。他们开始在自己的实验室里做一些有趣、有创意的科学研究。所以我想看到更多这样的事情。那里有一个非凡的机会。而且我对Google正在做的事情也感到非常兴奋。所以我们大家都有很大的机会可以在这方面共同努力。
Hannah Frye：越来越多的人被付费去追随他们的好奇心。
Sir Paul Nurse：我也有同感。但我想稍微扩展一下。我们生活在大数据的世界里。有时我们的标准很低，认为只要报告大量的数据就足够了。有一些期刊，非常高调的期刊，似乎除了报告大量的数据之外什么也不做。在大数据的世界里关注创造力是值得的，因为创造力可能会在这种情况下丢失。实际上，在大数据中有巨大的机会，我们实际上需要采取一种创造性的方法。我们需要思考一下，创造力到底是什么？我本可以继续谈论这个问题，但由于接近尾声，我不会深入。我们需要鼓励我们的同事和学生进行创造性的思考，这与收集大量数据有所不同，但如果他们以创造性的方式处理大量数据，那么这些数据确实会有所作为。
Demis Hassabis：还有很多事情要说，时间不多了，但创造力是一个非常有趣的话题，也许下次我们可以就此进行一个完整的小组讨论。但也许只是回应几个问题，在鼓励下一代方面，对我来说，我的偶像之一是费曼，不仅仅是他的物理著作非常著名，但实际上，他的通俗书籍激发了我对科学的热爱。我真的认为所有学童都应该读这些书。《别闹了，费曼先生》和《发现的乐趣》。因为这些书比任何其他我读过的书都能展示出站在知识前沿是多么令人振奋。这意味着我甚至只是谈论这个话题就感到起鸡皮疙瘩。我不记得我几岁时就有了这种感觉，可能是十岁、十一岁或什么的。让学童接触这些知识是很好的。科学应该是多么不可思议和有趣。费曼是那些在做他令人难以置信的科学时有很多乐趣的人之一，也是一个很好的榜样。谢谢你们。
Hannah Frye：非常感谢你们所有人。像往常一样，我们今天讨论了一大堆令人眼花缭乱的话题。我们谈到了室温超导体、核孔复合体、分子注射器、塑料降解酶、药物设计，甚至是扑克牌虚张声势策略。但对我来说，今天对话中最突出的时刻是关于在AI时代成为科学家意味着什么。因为这次活动是由皇家学会共同主办的，皇家学会是在伟大的孤独天才时代成立的，正如俗话说的“站在巨人的肩膀上”。但也许我们那些孤独天才的日子真的已经过去了，因为如果我们要解决社会面临的最大挑战——例如气候变化、能源、疾病和我们对宇宙的理解——那么我们真正需要的是由来自不同传统学科背景的优秀科学家组成的庞大团队。政府从未如此需要科学，但世界也是如此。我们需要公共机构、政府、医疗保健提供者和私营企业之间合作，因为创新是人们的追求。
原视频：AI for Science with Sir Paul Nurse, Demis Hassabis, Jennifer Doudna, and John Jumper
https://www.youtube.com/watch?v=nQKmVhLIGcs&list=PLqYmG7hTraZBwZQwCxzIlsyFxC3WKH_Ii&index=9
编辑：Luka Liu
稿件经采用可获邀进入Z Finance内部社群，优秀者将成为签约作者，00后更有机会成为Z Finance的早期共创成员。
